MetaSprachmodell

Llama 4 Scout 17B Instruct

Für Llama 4 Scout 17B Instruct gibt es noch keinen Wert im Gesamtindex, weil zu wenige unabhängige Benchmark-Ergebnisse vorliegen. Aus den Herstellerangaben schätzen wir rund 43,0 Punkte (95-%-Bereich 22,9 bis 63,1). Das ist keine unabhängige Messung.

BeliebtheitPlatz 333 von 785

38von 100+2 zum Vormonat

beruht auf Suche, Nutzung und Aufmerksamkeit

Zusammenfassung

Llama 4 Scout 17B Instruct ist die katalogisierte Instruct-Identität für Metas offene Scout-Gewichte. Wie bei Maverick beschreibt 17B aktive und nicht alle MoE-Parameter. Das prägende Merkmal ist der Kontext von rund zehn Millionen Token für Text und Bilder.

Die Gewichte nutzen die Llama-4-Community-Lizenz. Llama 4 Scout führt zum Familien-Checkpoint, Llama 4 Maverick 17B Instruct zur Maverick-Variante mit kleinerem Kontext. Die Modellkarte nennt für Scout unter anderem vLLM und SGLang sowie Quantisierungen für llama.cpp, Ollama und LM Studio.

Selbst ansehen: ein Auftrag, ein Versuch

Gezeigt wird der neueste Versuch ohne Nachbesserung; er zählt nicht zum Gesamtindex.

Pelikan auf dem Fahrrad

Auftrag (englisches Original)

Generate an SVG of a pelican riding a bicycle

02.10.2026 · 15 s · 0,0002 $

Testdetails

Datum des Testlaufs: 02.10.2026
API-Anbieter: openrouter
Angefragtes API-Modell: meta-llama/llama-4-scout
Reasoning-Einstellung: nicht vorgegeben
Tokenlimit inklusive Reasoning: 8.192 Token
Ausgabe-Token: 598 Token
Kosten des Versuchs: 0,0002 $
Antwortzeit: 14,6 s
API-Modell laut Antwort: meta-llama/llama-4-scout
Festgelegter Endpunkt: DeepInfra | meta-llama/llama-4-scout-17b-16e-instruct
Temperatur: Anbieterstandard
Testprotokoll: community-visual-tests-v1
Technische Prüfung: Bestanden, keine Qualitätsbewertung

Visuell geprüft. Aus diesem Einzeltest ergibt sich kein Gesamturteil über das Modell.

Ursprung der Aufgabe: Simon Willison

SVG-Kurztest

Ein SVG-Auftrag mit denselben festen Einstellungen für alle Modelle, ohne verdecktes Nachdenken.

Llama 4 Scout 17B Instruct

Kein unabhängiger Test. Dieser API-Zugang ist ein Alias von llama-4-scout.

Alle Benchmark-Werte

Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.

Alle 59 veröffentlichten Benchmark-Werte anzeigen

Messungen ohne passende Vergleichswerte

Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.

SWE-bench Verified (official mini-SWE-agent) (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 9.06
Bewertung: 9.06
Messgröße: resolved issue rate
Einheit: %
Benchmark-Version: SWE-bench Verified; mini-SWE-agent 0.0.0; submission 20250720_mini-v0.0.0-Llama-4-Scout-17B-Instruct
Kategorie: coding
Richtung: Mehr ist besser
Quellentyp: official-leaderboard
Auswertung: SWE-bench
Status: active
Abrufdatum: 2026-10-16
Methodik: Offizielle Benchmark-Rangliste. Offizielles SWE-bench Verified (500 Benchmarkaufgaben); mini-SWE-agent 0.0.0; Quellenkennung 20250720_mini-v0.0.0-Llama-4-Scout-17B-Instruct; Quelldatum 2025-07-20; Modellbezeichnung Llama 4 Scout Instruct; Reasoning-Stufe nicht angegeben. Quellprotokolle: s3://swe-bench-submissions/bash-only/20250720_mini-v0.0.0-Llama-4-Scout-17B-Instruct/logs. Die Rangliste kennzeichnet die unabhängige Prüfung dieses Eintrags als bestätigt.
Einordnung: Historischer Eintrag der offiziellen Rangliste, kein neuer Modelllauf und keine Vals-Auswertung. mini-SWE-agent 1.x und 2.x verwenden unterschiedliche Aktionsschnittstellen und sind nicht automatisch vergleichbar. Nicht genannte Sampling-Werte, Wiederholungszahlen und Backend-Revisionen bleiben unbekannt.

Quelle SWE-bench

MMMU (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 69.4
Bewertung: 69.4
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

MMMU Pro (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 52.2
Bewertung: 52.2
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

MathVista (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 70.7
Bewertung: 70.7
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

ChartQA (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 88.8
Bewertung: 88.8
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

DocVQA (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 94.4
Bewertung: 94.4
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

LiveCodeBench (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 32.8
Bewertung: 32.8
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

MMLU Pro instruct (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 74.3
Bewertung: 74.3
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

GPQA (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 57.2
Bewertung: 57.2
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

MGSM (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 90.6
Bewertung: 90.6
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: active
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned table; BF16

Quelle Meta Llama 4 model card

MTOB half (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 54
Bewertung: 54
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: disputed
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned tool-use table; BF16
Einordnung: Die offizielle Llama-4-Modellkarte ordnet diesen Wert Maverick in der Übersetzungsrichtung Englisch nach Kalamang zu. Für Scout ist diese bisherige Zuordnung nicht belegt. Die getrennten, richtungsspezifischen Scout-Ergebnisse bleiben erhalten.

Quelle Meta Llama 4 model card

MTOB full (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 50.8
Bewertung: 50.8
Messgröße: percent
Einheit: %
Richtung: Mehr ist besser
Quellentyp: vendor-reported
Auswertung: Meta Llama 4 model card
Status: disputed
Abrufdatum: 2026-09-08
Methodik: Vom Anbieter veröffentlichter Wert. Instruction-tuned tool-use table; BF16
Einordnung: Die offizielle Llama-4-Modellkarte ordnet diesen Wert Maverick in der Übersetzungsrichtung Englisch nach Kalamang zu. Für Scout ist diese bisherige Zuordnung nicht belegt. Die getrennten, richtungsspezifischen Scout-Ergebnisse bleiben erhalten.

Quelle Meta Llama 4 model card

Seite 1 von 5

Beliebtheit im Vergleich

Wie oft das Modell gesucht, genutzt und erwähnt wird, im Vergleich mit allen Modellen dieser Kategorie.

Beliebtheitsindex

Die 100 beliebtesten Modelle dieser Kategorie, 0 bis 100, höher ist beliebter

20 von 101 Modellen

GPT-6 Astra83

Claude Haiku 5.577

GPT-6 Sol73

GPT-573

DeepSeek V4.1 Flash 101769

Kimi K367

MiniCPM-V 4.7 35B-A3B63

GPT-6.1 Sol63

Claude Opus 563

Qwen 3.8 Flash62

Llama 4 Scout 17B Instruct38

DeepSeek V4.1 Flash 1017

MiniCPM-V 4.7 35B-A3B

GPT-6.1 Sol

Claude Opus 5

Qwen 3.8 Flash

Llama 4 Scout 17B Instruct

Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex

Zeitlicher Verlauf

Wochenwerte vom 18. Oktober 2026 bis 7. November 2026

Llama 4 Scout 17B InstructFugu Ultra v2 38Kimi K2.8 Preview 38DeepSeek-V3.1 Terminus 38MiniMax M2 38

Methodenwechsel im Verlauf, ein Sprung an dieser Stelle ist kein Marktereignis:

11. November 2026: Wert nur mit Such- oder Nutzungsdaten, 30-Tage-Aufmerksamkeit

Was gerade an Beliebtheit gewinnt, steht für Modelle, Anbieter, Harnesses und KI-Abos gesammelt in Alle KI-Trends.

Alle technischen Daten

Architektur

Parameter: 109 Mrd.; Quelle: Parameter
Aktive Parameter: 17 Mrd.; Quelle: Aktive Parameter
Wissensstand: August 2024; Quelle: Wissensstand

Ein- und Ausgabe

Kontextfenster: 10.000.000 Token; Quelle: Kontextfenster
Maximale Ausgabe: 16.384 Token; Quelle: Maximale Ausgabe
Eingaben: Text, Bild; Quelle: Eingaben
Ausgaben: Text; Quelle: Ausgaben
Tool-Aufrufe: Ja; Quelle: Tool-Aufrufe

Wasserzeichen und Herkunft

KI-Wasserzeichen meint unsichtbare Signale in der Ausgabe. Sichtbare Zeichen und Herkunftsmetadaten sind getrennt aufgeführt. Unbekannt bedeutet, dass für die jeweilige Angabe kein ausreichender Beleg vorliegt.

KI-Wasserzeichen: Unbekannt; ohne Quelle
Wasserzeichen-Technik: Nicht bekannt; ohne Quelle

Lizenz und Zugang

Gewichte: Offene Gewichte; Quelle: Gewichte
Zugang: API; Quelle: Zugang
Lizenz: Llama 4 Community; Quelle: Lizenz

Preise

In keinem Abo in Deutschland enthalten.

Alle Tarife im KI-Abo-Vergleich

Häufige Fragen zu Llama 4 Scout 17B Instruct

Wie gut ist Llama 4 Scout 17B Instruct in Benchmarks?

Unabhängige Ergebnisse reichen noch nicht für den Gesamtindex. Eine Schätzung aus 3 Herstellerangaben (MMLU-Pro 74,3 %, MMMU-Pro 52,2 %, MMMU (Validierung) 69,4 %) ergibt rund 43,0 Punkte, mit einem 95-%-Bereich von 22,9 bis 63,1. Die Schätzung ist an Modellen geeicht, für die es sowohl Herstellerangaben als auch unabhängige Messungen gibt. Herstellerangaben liegen bei einigen Tests deutlich über unabhängigen Messungen; die Eichung gleicht das im Mittel aus.

Herstellerschätzung, kein Wert des Gesamtindex

Bis wann reicht das Wissen von Llama 4 Scout 17B Instruct?

Bis August 2024, laut Meta. Das ist 8 Monate vor der Veröffentlichung.

Angabe von Meta

Aug.Okt.Dez.Feb.Apr.WissensstandAugust 2024Veröffentlicht05.04.2025

Wie groß ist das Kontextfenster von Llama 4 Scout 17B Instruct?

10 Mio. Token. So viel Text liest Llama 4 Scout 17B Instruct auf einmal, das sind rund 15.000 A4-Seiten.

Seitenzahl als Faustregel nach Artificial Analysis

KontextfensterToken, die das Modell auf einmal liest · höher ist besser

Llama 4 Scout 17B InstructPlatz 2 von 10310 Mio.

GPT-6 Astra1,05 Mio.

GPT-6.1 Sol1,05 Mio.

GPT-6 Sol1,05 Mio.

GPT-5.6 Sol1,05 Mio.

GPT-6.1 Terra1,05 Mio.

GPT-5.51,05 Mio.

Kann ich Llama 4 Scout 17B Instruct lokal nutzen?

Ja, die Gewichte sind offen. Mit 109 Mrd. Parametern braucht es aber sehr viel Speicher, eher einen Server als einen Laptop.

Angaben von Meta

Offene Gewichte: ja
Lizenz: Llama 4 Community
Parameter: 109 Mrd.
davon aktiv je Token: 17 Mrd.

Quellen und Datenstand

Alle 29 Quellen anzeigen

Benchmarkquellen im Überblick

Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.

Auswerter	Testreihen	Gesamtindizes	Erfasste aktive Messwerte
LMArena	0	0	1
SWE-bench	0	0	1

Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten. 2 Messwerte sind noch keiner Testreihe zugeordnet.

Art	Nachweis und Datenstand
Eingabe	Dokumentierte Modalitäten. Abgerufen am 27. Oktober 2026. Quelle: models.dev catalog · models.dev catalog (abgerufen 27. Oktober 2026) · Meta model catalog snapshot · Redaktionelle Beschreibung geprüft am 2. Oktober 2026
Ausgabe	Dokumentierte Modalitäten. Abgerufen am 27. Oktober 2026. Quelle: models.dev catalog · models.dev catalog (abgerufen 27. Oktober 2026) · Meta model catalog snapshot · Redaktionelle Beschreibung geprüft am 2. Oktober 2026
Recherchestand	Recherchestand 8. September 2026. 22 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.
Nicht veröffentlicht	per-row evaluation N and confidence interval Hinweis Die Studie beschreibt Datensatzgrößen, berichtet aber weder N je Modellzeile noch ein Konfidenzintervall.
Ungeklärt	row-specific prompt, route, and checkpoint revision Hinweis Das Protokoll wird allgemein beschrieben, aber dieser Zeile nicht mit einer Promptvariante, Serving-Route oder Checkpoint-Revision zugeordnet.
Nicht veröffentlicht	evaluated N Originalwortlaut The leaderboard reports preference-vote totals but no fixed task-case N; Votes are not copied to sampleCount.
Ungeklärt	confidence interval Originalwortlaut The Score cell displays ±, but the official policy does not define that notation as a confidence interval; no CI field is populated.
Ungeklärt	score direction Originalwortlaut The captured source does not explicitly state higher-is-better or lower-is-better; higherIsBetter remains null.
Nicht veröffentlicht	per-model prompts and generation settings Originalwortlaut No exact prompt, decoding settings, or serving configuration is published in the captured row.
Weitere Quelle	Hugging Face (abgerufen 15. Oktober 2026; 28. Oktober 2026) · Hugging Face, Llama 4 Scout 17B Instruct · Redaktionelle Beschreibung geprüft am 2. Oktober 2026
Weitere Quelle	SWE-bench (abgerufen 16. Oktober 2026)
Weitere Quelle	Meta Llama 4 model card (abgerufen 8. September 2026; 28. Oktober 2026)
Weitere Quelle	Meta Llama-verifications benchmark report, pinned commit 9a53f29 (abgerufen 17. Oktober 2026)
Weitere Quelle	Robustness as an Emergent Property of Task Performance (abgerufen 17. Oktober 2026; 24. Oktober 2026)
Weitere Quelle	EFFIBENCH-X: A Multi-Language Benchmark for Measuring Efficiency of LLM-Generated Code (abgerufen 17. Oktober 2026)
Weitere Quelle	SpatialViz-Bench, anonymous ICLR 2026 submission (abgerufen 18. Oktober 2026)
Weitere Quelle	ACL Anthology, Findings of EMNLP 2025, From KMMLU-Redux to Pro (abgerufen 18. Oktober 2026)
Weitere Quelle	Arena leaderboard (abgerufen 18. Oktober 2026)
Weitere Quelle	Meta Llama Verifications Benchmark Evaluation Report (abgerufen 19. Oktober 2026)
Weitere Quelle	NVIDIA NIM for Vision Language Models 2.0.0, Llama 4 Scout benchmarking results (abgerufen 20. Oktober 2026)
Weitere Quelle	BigCodeBench official leaderboard (abgerufen 28. Oktober 2026)1 2
Weitere Quelle	Modellmetadaten (abgerufen 16. Oktober 2026)1 2
Weitere Quelle	Modellmetadaten (abgerufen 8. September 2026)
Weitere Quelle	Modellmetadaten (abgerufen 17. Oktober 2026)
Weitere Quelle	Modellmetadaten (abgerufen 18. Oktober 2026)
Weitere Quelle	Modellmetadaten (abgerufen 28. Oktober 2026)1 2 3 4
Weitere Quelle	OpenRouter: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Vercel AI Gateway: Beliebtheitsindex (abgeleitet), CC BY 4.0
Weitere Quelle	Ollama: kumulierte Downloads für den Beliebtheitsindex
Weitere Quelle	Replicate: kumulierte Ausführungen für den Beliebtheitsindex
Weitere Quelle	Google Trending Now: begrenzte Feed-Auswahl für Deutschland und USA
Weitere Quelle	Creative Commons Attribution 4.0

Selbst ansehen: ein Auftrag, ein Versuch

Pelikan auf dem Fahrrad

SVG-Kurztest

Llama 4 Scout 17B Instruct

Alle Benchmark-Werte

Messungen ohne passende Vergleichswerte

Beliebtheit im Vergleich

Beliebtheitsindex

Zeitlicher Verlauf

Ähnliche Modelle

Alle technischen Daten

Architektur

Ein- und Ausgabe

Wasserzeichen und Herkunft

Lizenz und Zugang

Preise

Häufige Fragen zu Llama 4 Scout 17B Instruct

Wie gut ist Llama 4 Scout 17B Instruct in Benchmarks?

Bis wann reicht das Wissen von Llama 4 Scout 17B Instruct?

Wie groß ist das Kontextfenster von Llama 4 Scout 17B Instruct?

Kann ich Llama 4 Scout 17B Instruct lokal nutzen?

Quellen und Datenstand

Benchmarkquellen im Überblick